JP2803283B2 - 予測型心電図波形認識装置 - Google Patents
予測型心電図波形認識装置Info
- Publication number
- JP2803283B2 JP2803283B2 JP2015194A JP1519490A JP2803283B2 JP 2803283 B2 JP2803283 B2 JP 2803283B2 JP 2015194 A JP2015194 A JP 2015194A JP 1519490 A JP1519490 A JP 1519490A JP 2803283 B2 JP2803283 B2 JP 2803283B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- neural network
- waveform
- learning
- segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
【発明の詳細な説明】 〔産業上の利用分野〕 本発明は心電図波形の分類を認識する装置に関する。
従来、区分点の認識のためには入力信号に対してロー
パスフィルタまたはバンドパスフィルタを用いて雑音を
取り除き、その結果に対して微分を行ない、その値が０
となる点をＲ波のピーク点として検出する。また、Ｒ波
のピーク点を検出するにはこの他にもフィルタの出力に
対して２次微分を行ない極大となる時刻点をＲ波のピー
ク点として検出することもできる。そしてＲ波のピーク
点の時刻点を見つけた後に、入力波形が０点と交差する
点を用いてＱ波,S波の区分点を見つける。その後に、Ｑ
波,S波の区分点と入力波形が０点と交差する点を用いて
Ｔ波,P波の区分点を見つける。第９図には一般的に心電
図波形とその区分点を示す説明図である。
パスフィルタまたはバンドパスフィルタを用いて雑音を
取り除き、その結果に対して微分を行ない、その値が０
となる点をＲ波のピーク点として検出する。また、Ｒ波
のピーク点を検出するにはこの他にもフィルタの出力に
対して２次微分を行ない極大となる時刻点をＲ波のピー
ク点として検出することもできる。そしてＲ波のピーク
点の時刻点を見つけた後に、入力波形が０点と交差する
点を用いてＱ波,S波の区分点を見つける。その後に、Ｑ
波,S波の区分点と入力波形が０点と交差する点を用いて
Ｔ波,P波の区分点を見つける。第９図には一般的に心電
図波形とその区分点を示す説明図である。
従来のこの種の心電図波形認識装置では、心電図波形
の時間的な構造には注目せずに、Ｒ波のピーク点を見つ
けることを元にしてその他の区分点の認識を行なってい
る。従って、Ｒ波のピーク点の認識を誤ると、全ての区
分点の認識が誤ってしまうという欠点があった。
の時間的な構造には注目せずに、Ｒ波のピーク点を見つ
けることを元にしてその他の区分点の認識を行なってい
る。従って、Ｒ波のピーク点の認識を誤ると、全ての区
分点の認識が誤ってしまうという欠点があった。
本発明では、学習パターンにノイズを重畳させた波形
によって、パターン連想型ニューラルネットワーク学習
を行い、心電図波形の時間的な構造に適応化したパター
ン連想型ニューラルネットワークを用いる。これによっ
て、学習を行うことによって、学習パターンの種類を増
加でき、特定の学習パターンのみに過度に学習すること
を防止できる。また、１時刻前までの区分パターンの時
系列から、その時刻の区分パターンの時系列を予測する
ように学習させたリカレント・ニューラルネットワーク
の予測出力を、１時刻前の区分とその時刻の波形パター
ンから、その時刻の区分を認識するように学習させたパ
ターン連想型ニューラルネットワークに入力する。
によって、パターン連想型ニューラルネットワーク学習
を行い、心電図波形の時間的な構造に適応化したパター
ン連想型ニューラルネットワークを用いる。これによっ
て、学習を行うことによって、学習パターンの種類を増
加でき、特定の学習パターンのみに過度に学習すること
を防止できる。また、１時刻前までの区分パターンの時
系列から、その時刻の区分パターンの時系列を予測する
ように学習させたリカレント・ニューラルネットワーク
の予測出力を、１時刻前の区分とその時刻の波形パター
ンから、その時刻の区分を認識するように学習させたパ
ターン連想型ニューラルネットワークに入力する。
このように２種類のニューラルネットワークを用いる
ことによって、区分の認識はその時刻の心電図波形と区
分の時間的な構造とに注目して行なわれるため、従来の
方式に比べて、区分点の認識精度と確度がともに向上す
る。
ことによって、区分の認識はその時刻の心電図波形と区
分の時間的な構造とに注目して行なわれるため、従来の
方式に比べて、区分点の認識精度と確度がともに向上す
る。
本願の第１の発明による予測型心電図波形認識装置
は、 標準的な心電図波形のパターンである標準波形パター
ンとその波形の区分を保持する標準波形・区分パターン
メモリ部と、学習パターンの種類を増加し特定の学習パ
ターンのみに過度に学習することを防止するノイズ発生
器と、心電図波形パターンと予測された１時刻前の区分
から現時刻の波形区分を認識するパターン連想型ニュー
ラルネットワークと、１時刻前までの区分パターンの時
系列からその時刻の区分を予測するリカレント・ニュー
ラルネットワークと、予測された区分を保持する区分バ
ッファと、前記ノイズの重畳した標準パターンを前記パ
ターン連想型ニューラルネットワーク部に入力した際に
出力すべきパターンを与える教師信号として区分点を与
えてパターン連想型ニューラルネットワーク部を学習さ
せ、前記リカレント・ニューラルネットワーク部の学習
を制御する学習・認識制御部とを備えて構成される。
は、 標準的な心電図波形のパターンである標準波形パター
ンとその波形の区分を保持する標準波形・区分パターン
メモリ部と、学習パターンの種類を増加し特定の学習パ
ターンのみに過度に学習することを防止するノイズ発生
器と、心電図波形パターンと予測された１時刻前の区分
から現時刻の波形区分を認識するパターン連想型ニュー
ラルネットワークと、１時刻前までの区分パターンの時
系列からその時刻の区分を予測するリカレント・ニュー
ラルネットワークと、予測された区分を保持する区分バ
ッファと、前記ノイズの重畳した標準パターンを前記パ
ターン連想型ニューラルネットワーク部に入力した際に
出力すべきパターンを与える教師信号として区分点を与
えてパターン連想型ニューラルネットワーク部を学習さ
せ、前記リカレント・ニューラルネットワーク部の学習
を制御する学習・認識制御部とを備えて構成される。
本願の第２の発明による予測型心電図波形認識装置
は、 前記本願第１の発明に加え、現時刻の近傍における波
形パターンを保持する入力波形バッファを備えて構成さ
れる。
は、 前記本願第１の発明に加え、現時刻の近傍における波
形パターンを保持する入力波形バッファを備えて構成さ
れる。
心電図波形は心臓の構造によって規定されるために、
一般に時系列の構造を有する。本発明においては、この
時系列の構造を波形認識装置に用いている。認識は、認
識したい時刻点の心電図波形だけをたよりにして行うよ
りも、予測された区分を含めることにより元にすること
より正確に行うことができる。この認識はパターン連想
型ニューラルネットワークで実現する。認識したい時刻
点の心電図区分の予測は、リカレント・ニューラルネッ
トワークで実現する。リカレント・ニューラルネットワ
ークでは、一般的な時系列の構造を学習することがで
き、その時刻以前までの認識結果を元にその時刻点の区
分を予測する機能を有する。
一般に時系列の構造を有する。本発明においては、この
時系列の構造を波形認識装置に用いている。認識は、認
識したい時刻点の心電図波形だけをたよりにして行うよ
りも、予測された区分を含めることにより元にすること
より正確に行うことができる。この認識はパターン連想
型ニューラルネットワークで実現する。認識したい時刻
点の心電図区分の予測は、リカレント・ニューラルネッ
トワークで実現する。リカレント・ニューラルネットワ
ークでは、一般的な時系列の構造を学習することがで
き、その時刻以前までの認識結果を元にその時刻点の区
分を予測する機能を有する。
ここで用いるパターン連想型ニューラルネットワーク
には、例えば「日経エレクトロニクス」誌427号（1987
年８月）の115頁から124頁に「ニューラル・ネットをパ
ターン認識，信号処理，知識処理に使う」と題された記
事（以下引用文献１と称す）により、詳細に解説されて
いるパターン連想型ニューラルネットワークを用いるこ
とができる。
には、例えば「日経エレクトロニクス」誌427号（1987
年８月）の115頁から124頁に「ニューラル・ネットをパ
ターン認識，信号処理，知識処理に使う」と題された記
事（以下引用文献１と称す）により、詳細に解説されて
いるパターン連想型ニューラルネットワークを用いるこ
とができる。
第７図は、このパターン連想型ニューラルネットワー
クの構造を示すものである。第７図に示すように、この
パターン連想型ニューラルネットワークは入力層71,中
間層72,出力層73の各層が階層構造になっている。中間
層はこの図では１層となっているが、２層以上の多層で
もよい。
クの構造を示すものである。第７図に示すように、この
パターン連想型ニューラルネットワークは入力層71,中
間層72,出力層73の各層が階層構造になっている。中間
層はこの図では１層となっているが、２層以上の多層で
もよい。
パターン連想型ニューラルネットワークの各層のノー
ドの出力は、そのノードに接続されているノードに重み
ｗを掛けたものの総和の値を、非線形関数により変換し
たものである。この様にパターン連想型ニューラルネッ
トワークの変換特性は、重みｗによって決定される。重
みｗの値は学習によって決定される。学習法について
は、例えば引用文献により詳細に解説されているバック
ワード・プロパゲーションを用いて実行できる。
ドの出力は、そのノードに接続されているノードに重み
ｗを掛けたものの総和の値を、非線形関数により変換し
たものである。この様にパターン連想型ニューラルネッ
トワークの変換特性は、重みｗによって決定される。重
みｗの値は学習によって決定される。学習法について
は、例えば引用文献により詳細に解説されているバック
ワード・プロパゲーションを用いて実行できる。
ここで用いるカレント・ニューラルネットワークに
は、例えばServan−Schreiber.D.et.al.“Encoding Seq
uential Structure in Simple Recurrent Networks"Tec
hnical Report CMU−CS−88−183,Carnegie Mellon Uni
versity.（1988）により、（以下引用文献２と称す）詳
細に説明されたリカレント・ニューラルネットワークを
用いることができる。
は、例えばServan−Schreiber.D.et.al.“Encoding Seq
uential Structure in Simple Recurrent Networks"Tec
hnical Report CMU−CS−88−183,Carnegie Mellon Uni
versity.（1988）により、（以下引用文献２と称す）詳
細に説明されたリカレント・ニューラルネットワークを
用いることができる。
第８図はこのリカレント・ニューラルネットワークの
構造を示すものである。第８図に示すように、このリカ
レント・ニューラルネットワークは入力層81,コンテキ
スト層82,中間層83,出力層84の各層が階層構造になって
いる。中間層は、この図では１層となっているが、２層
以上の多層でもよい。
構造を示すものである。第８図に示すように、このリカ
レント・ニューラルネットワークは入力層81,コンテキ
スト層82,中間層83,出力層84の各層が階層構造になって
いる。中間層は、この図では１層となっているが、２層
以上の多層でもよい。
リカレント・ニューラルネットワークの各層のノード
の出力は、そのノードに接続されているノードに重みｗ
を掛けたものの総和の値を、非線形関数により変換した
ものである。このようにリカレント・ニューラルネット
ワークの変換特性は、重みｗによって決定される。重み
ｗの値は学習によって決定される。学習法については、
例えば引用文献１により詳細に解説されているバックワ
ード・プロパゲーションを用いて実行できる。
の出力は、そのノードに接続されているノードに重みｗ
を掛けたものの総和の値を、非線形関数により変換した
ものである。このようにリカレント・ニューラルネット
ワークの変換特性は、重みｗによって決定される。重み
ｗの値は学習によって決定される。学習法については、
例えば引用文献１により詳細に解説されているバックワ
ード・プロパゲーションを用いて実行できる。
本願の第１の発明に対応する第１の実施例について図
面を参照して説明する。第１図は発明の実施例を示す図
である。
面を参照して説明する。第１図は発明の実施例を示す図
である。
標準波形・区分パターンメモリ部11には、標準的な心
電図波形とその区分の組（Ｎ組）が保持されている。学
習・認識制御部16は、標準波形・区分パターンメモリ部
11より、心電図波形の現在の時刻点ｔの心電図波形の値
Stとその区分Ktを取り出し、パターン連想形ニューラル
ネットワークをリカレント・ニューラルネットワークと
の内部パラメータの学習に用いる。この学習フェーズに
ついて第１図と第２図（ａ）および（ｂ）を用いて説明
する。
電図波形とその区分の組（Ｎ組）が保持されている。学
習・認識制御部16は、標準波形・区分パターンメモリ部
11より、心電図波形の現在の時刻点ｔの心電図波形の値
Stとその区分Ktを取り出し、パターン連想形ニューラル
ネットワークをリカレント・ニューラルネットワークと
の内部パラメータの学習に用いる。この学習フェーズに
ついて第１図と第２図（ａ）および（ｂ）を用いて説明
する。
パターン連想型ニューラルネットワーク12は、時刻点
ｔの心電図波形の値Stとノイズ発生器14の出力Ntとを重
畳した信号Ｓ′ｔを時刻点ｔ−１の区分Kt-1を入力信号
とし、時刻点ｔの区分Ktを教師信号とする。これらの入
力信号と教師信号を元にしてパターン連想型ニューラル
ネットワーク12の内部パラメータの更新を行う。この更
新は、引用文献１により詳細に解説されているバックワ
ード・プロパゲーション用いて実行できる。
ｔの心電図波形の値Stとノイズ発生器14の出力Ntとを重
畳した信号Ｓ′ｔを時刻点ｔ−１の区分Kt-1を入力信号
とし、時刻点ｔの区分Ktを教師信号とする。これらの入
力信号と教師信号を元にしてパターン連想型ニューラル
ネットワーク12の内部パラメータの更新を行う。この更
新は、引用文献１により詳細に解説されているバックワ
ード・プロパゲーション用いて実行できる。
以上述べた学習動作を、標準波形・区分パターンメモ
リ部11に保持されている心電図波形の値Stと区分Ktにつ
いて行う。学習後の誤差が十分に小さくない場合は、以
上に述べた学習操作を繰り返し、誤差が十分に小さくな
るまで学習操作を繰り返す。
リ部11に保持されている心電図波形の値Stと区分Ktにつ
いて行う。学習後の誤差が十分に小さくない場合は、以
上に述べた学習操作を繰り返し、誤差が十分に小さくな
るまで学習操作を繰り返す。
Ntはノイズ発生器14の出力であるので、学習を繰り返
す毎に異なる値となり、心電図の値Stとノイズ発生器14
の出力Ntとを重畳した信号Ｓ′ｔも異なる値となる。こ
のことによって、学習の入力信号の種類を増やすことが
できる。これによって、パターン連想型ニューラルネッ
トワーク12の学習は終了する。この学習によってパター
ン連想型ニューラルネットワーク12は、時刻点ｔの心電
図波形の値Stと時刻点ｔ−１の区分Kt-1を元にして、時
刻点ｔの区分Ktを認識する機能を有する。
す毎に異なる値となり、心電図の値Stとノイズ発生器14
の出力Ntとを重畳した信号Ｓ′ｔも異なる値となる。こ
のことによって、学習の入力信号の種類を増やすことが
できる。これによって、パターン連想型ニューラルネッ
トワーク12の学習は終了する。この学習によってパター
ン連想型ニューラルネットワーク12は、時刻点ｔの心電
図波形の値Stと時刻点ｔ−１の区分Kt-1を元にして、時
刻点ｔの区分Ktを認識する機能を有する。
リカレント・ニューラルネットワーク13では、時刻点
ｔ−１の区分Kt-1を入力信号として時刻点ｔの区分Ktを
教師信号とする。これらの入力信号と教師信号を元にし
てリカレント・ニューラルネットワーク13の内部パラメ
ータの更新を行う。この更新は、引用文献１により詳細
に解説されているバックワード・プロパゲーションを用
いて実行できる。以上に述べた学習操作を標準波形・区
分パターンメモリ部11に保持されている区分Ktについて
行う。学習後の誤差が十分に小さくない場合は、以上に
述べた学習操作を繰り返し、誤差が十分に小さくなるま
で学習操作を繰り返す。これによって、リカレント・ニ
ューラルネットワーク13の学習は終了する。この学習に
よってリカレント・ニューラルネットワーク13は、時刻
点ｔ−１の区分Kt-1の時系列から時刻点ｔの区分Ktを予
測する機能を有する。
ｔ−１の区分Kt-1を入力信号として時刻点ｔの区分Ktを
教師信号とする。これらの入力信号と教師信号を元にし
てリカレント・ニューラルネットワーク13の内部パラメ
ータの更新を行う。この更新は、引用文献１により詳細
に解説されているバックワード・プロパゲーションを用
いて実行できる。以上に述べた学習操作を標準波形・区
分パターンメモリ部11に保持されている区分Ktについて
行う。学習後の誤差が十分に小さくない場合は、以上に
述べた学習操作を繰り返し、誤差が十分に小さくなるま
で学習操作を繰り返す。これによって、リカレント・ニ
ューラルネットワーク13の学習は終了する。この学習に
よってリカレント・ニューラルネットワーク13は、時刻
点ｔ−１の区分Kt-1の時系列から時刻点ｔの区分Ktを予
測する機能を有する。
次に、学習済みのパターン連想型ニューラルネットワ
ーク12と学習済みのリカレント・ニューラルネットワー
ク13を用いて、心電図の区分を認識するフェーズについ
て第１図と第３図を用いて説明する。
ーク12と学習済みのリカレント・ニューラルネットワー
ク13を用いて、心電図の区分を認識するフェーズについ
て第１図と第３図を用いて説明する。
時刻点ｔにおいての区分の認識では、認識したい心電
図波形の値Stと区分バッファ15の時刻点ｔの区分の予測
Ｋ′ｔ（この予測については後述）とをパターン連想型
ニューラルネットワーク12の入力とする。これらの入力
によりパターン連想型ニューラルネットワーク12の出力
として時刻点ｔの区分の認識結果Ktが得られる。この認
識結果Ktをリカレント・ニューラルネットワーク13の入
力とする。この入力によってリカレント・ニューラルネ
ットワーク13の出力として時刻点ｔ＋１の区分の予測
Ｋ′t+1が得られる。この予測値Ｋ′t+1を区分バッファ
15に格納し、時刻点ｔ＋１においての区分の認識に用い
る。次の時刻点の区分の予測を保持する区分バッファ15
は、認識に先だって初期化する。
図波形の値Stと区分バッファ15の時刻点ｔの区分の予測
Ｋ′ｔ（この予測については後述）とをパターン連想型
ニューラルネットワーク12の入力とする。これらの入力
によりパターン連想型ニューラルネットワーク12の出力
として時刻点ｔの区分の認識結果Ktが得られる。この認
識結果Ktをリカレント・ニューラルネットワーク13の入
力とする。この入力によってリカレント・ニューラルネ
ットワーク13の出力として時刻点ｔ＋１の区分の予測
Ｋ′t+1が得られる。この予測値Ｋ′t+1を区分バッファ
15に格納し、時刻点ｔ＋１においての区分の認識に用い
る。次の時刻点の区分の予測を保持する区分バッファ15
は、認識に先だって初期化する。
続いて、本願の第２の発明に対応する第２の実施例に
ついて図面を参照して説明する。第４図は発明の実施例
を示す構成図である。
ついて図面を参照して説明する。第４図は発明の実施例
を示す構成図である。
標準波形・区分パターンメモリ部には、標準的な心電
図波形とその区分の組（Ｎ組）が保持されている。ここ
で、現在の時刻点（ｔ）の近傍の時刻点［ｔ−e1,t＋
e2］（e11,e2１）とする。一般にe1≠e2としても構
わないが、ここでは、簡単のためにe1＝e2（＝ｅ）とす
る。入力波形バッファ47は、現在の時刻点ｔの近傍の時
刻点の心電図の値′ｔ（St-e,St-e+1,…,St,…,S
t+e-1,St+e）を保持する。
図波形とその区分の組（Ｎ組）が保持されている。ここ
で、現在の時刻点（ｔ）の近傍の時刻点［ｔ−e1,t＋
e2］（e11,e2１）とする。一般にe1≠e2としても構
わないが、ここでは、簡単のためにe1＝e2（＝ｅ）とす
る。入力波形バッファ47は、現在の時刻点ｔの近傍の時
刻点の心電図の値′ｔ（St-e,St-e+1,…,St,…,S
t+e-1,St+e）を保持する。
学習・認識制御部46は心電図波形の現在の時刻点ｔの
近傍の心電図波形の値ｔとその区分Ktを取り出し、パ
ターン連想型ニューラルネットワーク42とリカレント・
ニューラルネットワーク43の内部パラメータの学習に用
いる。この学習フェーズについて第４図と第５図（ａ）
および（ｂ）を用いて説明する。
近傍の心電図波形の値ｔとその区分Ktを取り出し、パ
ターン連想型ニューラルネットワーク42とリカレント・
ニューラルネットワーク43の内部パラメータの学習に用
いる。この学習フェーズについて第４図と第５図（ａ）
および（ｂ）を用いて説明する。
パターン連想型ニューラルネットワーク42では、入力
波形バッファ47に保存されている現在の時刻点ｔの近傍
の時刻点［ｔ−e,t＋ｅ］に対応する心電図波形の値
ｔとノイズ発生器44の出力ｔ（Nt-e,Nt-e+1,…,Nt,
…,Nt+e-1,Nt+e）とを重畳した信号′ｔ（Ｓ′t-e,
S′t-e+1,…,S′t,…,S′t+e-1,S′t+e）を入力信号と
し、時刻点ｔの区分Ktを教師信号とする。
波形バッファ47に保存されている現在の時刻点ｔの近傍
の時刻点［ｔ−e,t＋ｅ］に対応する心電図波形の値
ｔとノイズ発生器44の出力ｔ（Nt-e,Nt-e+1,…,Nt,
…,Nt+e-1,Nt+e）とを重畳した信号′ｔ（Ｓ′t-e,
S′t-e+1,…,S′t,…,S′t+e-1,S′t+e）を入力信号と
し、時刻点ｔの区分Ktを教師信号とする。
これらの入力信号と教師信号を元にして、パターン連
想型ニューラルネットワーク42の内部パラメータの更新
を行う。この更新は、引用文献１により詳細に解説され
ているバックワード・プロパゲーションを用いて実行で
きる。以上に述べた学習操作を標準波形・区分パターン
メモリ部41に保持されている時刻点ｔの近傍の時刻点
［ｔ−e,t＋ｅ］に対応する心電図波形値の値′ｔと
区分Ktについて行う。学習後の誤差が十分に小さくない
場合は、以上に述べた学習操作を繰り返し、誤差が十分
に小さくなるまで学習操作を繰り返す。以上によって、
パターン連想型ニューラルネットワーク42の学習は終了
する。この学習によってパターン連想型ニューラルネッ
トワーク42は、時刻点ｔの近傍の時刻点［ｔ−e,t＋
ｅ］に対応する心電図波形の値ｔと時刻点ｔ−１の区
分Kt-1から時刻点ｔの区分Ktを認識する機能を有する。
想型ニューラルネットワーク42の内部パラメータの更新
を行う。この更新は、引用文献１により詳細に解説され
ているバックワード・プロパゲーションを用いて実行で
きる。以上に述べた学習操作を標準波形・区分パターン
メモリ部41に保持されている時刻点ｔの近傍の時刻点
［ｔ−e,t＋ｅ］に対応する心電図波形値の値′ｔと
区分Ktについて行う。学習後の誤差が十分に小さくない
場合は、以上に述べた学習操作を繰り返し、誤差が十分
に小さくなるまで学習操作を繰り返す。以上によって、
パターン連想型ニューラルネットワーク42の学習は終了
する。この学習によってパターン連想型ニューラルネッ
トワーク42は、時刻点ｔの近傍の時刻点［ｔ−e,t＋
ｅ］に対応する心電図波形の値ｔと時刻点ｔ−１の区
分Kt-1から時刻点ｔの区分Ktを認識する機能を有する。
リカレント・ニューラルネットワークの学習は、リカ
レント・ニューラルネットワーク43では、時刻点ｔ−１
の区分Kt-1を入力信号とし時刻点ｔの区分Ktを教師信号
とする。これらの入力信号と教師信号を元にしてリカレ
ント・ニューラルネットワーク43の内部パラメータの更
新を行う。この更新は、引用文献１により詳細に解説さ
れているバックワード・プロパゲーションを用いて実行
できる。以上に述べた学習操作を標準波形・区分パター
ンメモリ部41に保持されている区分Ktについて行う。学
習後の誤差が十分に小さくない場合は、以上に述べた学
習操作を繰り返し、誤差が十分に小さくなるまで学習操
作を繰り返す。これによって、リカレント・ニューラル
ネットワーク43の学習は終了する。この学習によってリ
カレント・ニューラルネットワーク43は、時刻点ｔ−１
の区分Kt-1の時系列から時刻点ｔの区分Ktを予測する機
能を有する。
レント・ニューラルネットワーク43では、時刻点ｔ−１
の区分Kt-1を入力信号とし時刻点ｔの区分Ktを教師信号
とする。これらの入力信号と教師信号を元にしてリカレ
ント・ニューラルネットワーク43の内部パラメータの更
新を行う。この更新は、引用文献１により詳細に解説さ
れているバックワード・プロパゲーションを用いて実行
できる。以上に述べた学習操作を標準波形・区分パター
ンメモリ部41に保持されている区分Ktについて行う。学
習後の誤差が十分に小さくない場合は、以上に述べた学
習操作を繰り返し、誤差が十分に小さくなるまで学習操
作を繰り返す。これによって、リカレント・ニューラル
ネットワーク43の学習は終了する。この学習によってリ
カレント・ニューラルネットワーク43は、時刻点ｔ−１
の区分Kt-1の時系列から時刻点ｔの区分Ktを予測する機
能を有する。
次に、学習済みのパターン連想型ニューラルネットワ
ーク42と学習済みのリカレント・ニューラルネットワー
ク43とを用いて心電図の区分認識のフェーズについて第
４図と第６図を用いて説明する。
ーク42と学習済みのリカレント・ニューラルネットワー
ク43とを用いて心電図の区分認識のフェーズについて第
４図と第６図を用いて説明する。
時刻点ｔにおいての区分の認識では、入力波形は一時
的に入力波形バッファ47に蓄えられる。現時点ｔにおい
ての区分の認識では、入力波形バッファ47より取り出さ
れた時刻点ｔの近傍の時刻点［ｔ−e,t＋ｅ］に対応す
る心電図波形の値ｔと区分バッファ45の時刻点ｔの区
分の予測Ｋ′ｔ（この予測については後述）をパターン
連想型ニューラルネットワーク42の入力とする。このこ
とによってパターン連想型ニューラルネットワーク42で
は時刻点ｔの区分の認識結果Ktが出力として得られる。
この認識結果Ktをリカレント・ニューラルネットワーク
43の入力とする。このことによってリカレント・ニュー
ラルネットワーク43では時刻点ｔ＋１の区分の予測Ｋ′
t+1が得られる。この予測Ｋ′t+1を区分バッファ45に格
納し、時刻点ｔ＋１においての区分の認識に用いる。次
の時刻点の区分を予測を保持する区分バッファ45は認識
に先だって初期化する。
的に入力波形バッファ47に蓄えられる。現時点ｔにおい
ての区分の認識では、入力波形バッファ47より取り出さ
れた時刻点ｔの近傍の時刻点［ｔ−e,t＋ｅ］に対応す
る心電図波形の値ｔと区分バッファ45の時刻点ｔの区
分の予測Ｋ′ｔ（この予測については後述）をパターン
連想型ニューラルネットワーク42の入力とする。このこ
とによってパターン連想型ニューラルネットワーク42で
は時刻点ｔの区分の認識結果Ktが出力として得られる。
この認識結果Ktをリカレント・ニューラルネットワーク
43の入力とする。このことによってリカレント・ニュー
ラルネットワーク43では時刻点ｔ＋１の区分の予測Ｋ′
t+1が得られる。この予測Ｋ′t+1を区分バッファ45に格
納し、時刻点ｔ＋１においての区分の認識に用いる。次
の時刻点の区分を予測を保持する区分バッファ45は認識
に先だって初期化する。
本発明によれば、区分点の認識は、心電図波形の時間
的な構造に注目して行なわれるるため、従来の方式に比
べて区分点の認識精度と確度がともに向上するという効
果がある。
的な構造に注目して行なわれるるため、従来の方式に比
べて区分点の認識精度と確度がともに向上するという効
果がある。
第１図は本発明の第１の実施例の構成を示すブロック
図、第２図（ａ）および（ｂ）は本発明の第１の実施例
の学習フェーズの信号の流れを示す説明図、第３図は本
発明の第１の実施例の認識フェーズの信号の流れを示す
説明図、第４図は本発明の第２の実施例の構成を示すブ
ロック図、第５図（ａ）および（ｂ）は本発明の第２の
実施例の学習フェーズの信号の流れを示す説明図、第６
図は本発明の第２の実施例の認識フェーズの信号の流れ
を示す説明図、第８図はリカレント・ニューラルネット
ワークの構成例を示す説明図、第７図はパターン連想型
ニューラルネットワークの構成例を示す説明図である。 11……波形・区分パターンメモリ部、12……パターン連
想型ニューラルネットワーク部、13……リカレント・ニ
ューラルネットワーク部、14……ノイズ発生器、15……
区分バッファ、16……学習・認識制御部、41……標準波
形・区分パターンメモリ部、42……パターン連想型ニュ
ーラルネットワーク部、43……リカレント・ニューラル
ネットワーク部、44……ノイズ発生器、45……区分バッ
ファ、46……学習・認識制御部、47……入力波形バッフ
ァ。
図、第２図（ａ）および（ｂ）は本発明の第１の実施例
の学習フェーズの信号の流れを示す説明図、第３図は本
発明の第１の実施例の認識フェーズの信号の流れを示す
説明図、第４図は本発明の第２の実施例の構成を示すブ
ロック図、第５図（ａ）および（ｂ）は本発明の第２の
実施例の学習フェーズの信号の流れを示す説明図、第６
図は本発明の第２の実施例の認識フェーズの信号の流れ
を示す説明図、第８図はリカレント・ニューラルネット
ワークの構成例を示す説明図、第７図はパターン連想型
ニューラルネットワークの構成例を示す説明図である。 11……波形・区分パターンメモリ部、12……パターン連
想型ニューラルネットワーク部、13……リカレント・ニ
ューラルネットワーク部、14……ノイズ発生器、15……
区分バッファ、16……学習・認識制御部、41……標準波
形・区分パターンメモリ部、42……パターン連想型ニュ
ーラルネットワーク部、43……リカレント・ニューラル
ネットワーク部、44……ノイズ発生器、45……区分バッ
ファ、46……学習・認識制御部、47……入力波形バッフ
ァ。
Claims (2)
- 【請求項１】標準的な心電図波形のパターンである標準
波形パターンとその波形の区分を保持する標準波形・区
分パターンメモリ部と、学習パターンの種類を増加し特
定の学習パターンのみに過度に学習することを防止する
ノイズ発生器と、心電図波形パターンと予測された１時
刻前の区分から現時刻の波形区分を認識するパターン連
想型ニューラルネットワークと、１時刻前までの区分パ
ターンの時系列からその時刻の区分を予測するリカレン
ト・ニューラルネットワークと、予測された区分を保持
する区分バッファと、前記ノイズの重畳した標準パター
ンを前記パターン連想型ニューラルネットワーク部に入
力した際に出力すべきパターンを与える教師信号として
区分点を与えてパターン連想型ニューラルネットワーク
部を学習させ、前記リカレント・ニューラルネットワー
ク部の学習を制御する学習・認識制御部とを備えて成る
ことを特徴とする予測型心電図波形認識装置。 - 【請求項２】学習時に、前記パターン連想型ニューラル
ネットワーク部の入力に、現時刻の近傍の時間における
標準パターンを保持する入力波形バッファとを備えて成
ることを特徴とする請求項１記載の予測型心電図波形認
識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015194A JP2803283B2 (ja) | 1990-01-24 | 1990-01-24 | 予測型心電図波形認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015194A JP2803283B2 (ja) | 1990-01-24 | 1990-01-24 | 予測型心電図波形認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH03218731A JPH03218731A (ja) | 1991-09-26 |
| JP2803283B2 true JP2803283B2 (ja) | 1998-09-24 |
Family
ID=11882049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015194A Expired - Fee Related JP2803283B2 (ja) | 1990-01-24 | 1990-01-24 | 予測型心電図波形認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2803283B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190033972A (ko) * | 2017-09-22 | 2019-04-01 | 주식회사 아이메디신 | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 |
| KR20190073330A (ko) * | 2019-06-14 | 2019-06-26 | 주식회사 아이메디신 | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05207985A (ja) * | 1991-11-29 | 1993-08-20 | Nec Corp | 心電図波形認識方式 |
| JP3295845B2 (ja) * | 1993-01-29 | 2002-06-24 | 株式会社トプコン | 神経回路網を用いた波形評価装置 |
| KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
| CN109871742B (zh) * | 2018-12-29 | 2021-05-14 | 安徽心之声医疗科技有限公司 | 一种基于注意力循环神经网络的心电信号定位方法 |
-
1990
- 1990-01-24 JP JP2015194A patent/JP2803283B2/ja not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190033972A (ko) * | 2017-09-22 | 2019-04-01 | 주식회사 아이메디신 | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 |
| KR102077605B1 (ko) * | 2017-09-22 | 2020-02-17 | 주식회사 아이메디신 | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 |
| KR20190073330A (ko) * | 2019-06-14 | 2019-06-26 | 주식회사 아이메디신 | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 |
| KR102105002B1 (ko) | 2019-06-14 | 2020-04-28 | 주식회사 아이메디신 | 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH03218731A (ja) | 1991-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5095443A (en) | Plural neural network system having a successive approximation learning method | |
| CN113287122A (zh) | 脉冲神经网络 | |
| Wang et al. | Anticipation-based temporal pattern generation | |
| JP2803283B2 (ja) | 予測型心電図波形認識装置 | |
| JPH06161496A (ja) | 家電製品のリモコン命令語を認識するための音声認識システム | |
| US4282406A (en) | Adaptive pitch detection system for voice signal | |
| JPH07282168A (ja) | カオスリカレント神経回路網とその学習方法 | |
| RU2446463C1 (ru) | Способ и устройство интеллектуальной обработки информации в нейронной сети | |
| Unal et al. | A fuzzy finite state machine implementation based on a neural fuzzy system | |
| JP3303032B2 (ja) | ニューラルネット学習装置 | |
| JPH03218730A (ja) | 心電図波形認識装置 | |
| JPH05225163A (ja) | ニューラルネットシステムおよびニューラルネットの学習方法 | |
| JPH0551292B2 (ja) | ||
| JP3729868B2 (ja) | 連想ニューラル・ネットワーク | |
| Sorensen | Neural Networks performing system identification for control applications | |
| EP0567983B1 (en) | Learning type waveform recognizer | |
| JPH0579328B2 (ja) | ||
| Lin et al. | Classification of QRS pattern by an associative memory model | |
| Bodyanskii et al. | Recurrent neural network detecting changes in the properties of nonlinear stochastic sequences | |
| JPH0520293A (ja) | 時系列パターンの学習方式 | |
| JPH05233860A (ja) | 時系列パターンの学習方式 | |
| Wang et al. | Radial basis function network with short term memory for temporal sequence processing | |
| Dumitras et al. | A quantitative study of evoked potential estimation using a feedforward neural network | |
| Lin et al. | Network Unfolding Algorithm and universal spatio-temporal function approximation | |
| SU896647A1 (ru) | Устройство дл распознавани образов |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |